บทแนะนำและเทคนิค

Ant Ling และทีม ASystem ปิดลูปการฝึกหลัง (post-training) Agentic RL บนเครื่องเดียว

หัวข้อต้นฉบับ:从跑起来到训起来:Ling-3.0-tiny × ASystem AReno,打通单机 Agentic RL 闭环

สรุปโดย AI

Ant Ling ร่วมมือกับทีม ASystem ใช้ Ling-3.0-tiny และ AReno รันลูป post-training Agentic RL บนเครื่องเดียวด้วย DGX Spark โดยใช้เกม OX เป็นงานทดสอบขั้นต่ำ หลังฝึกด้วยอัลกอริทึม GSPO 400 ก้าว ค่า rollout/rewards_mean เพิ่มจากประมาณ -0.5 เป็น 0.4 ค่า response_len ลดลงเหลือประมาณ 850 โทเคน และการเรียกใช้เครื่องมือกับการเลือกแอ็กชันเริ่มมีเสถียรภาพ

ข้อมูลสำคัญ

  • Ant Ling ร่วมมือกับทีม ASystem ใช้ Ling-3.
  • 0-tiny และ AReno รันลูป post-training Agentic RL บนเครื่องเดียวด้วย DGX Spark โดยใช้เกม OX…
  • 4 ค่า response_len ลดลงเหลือประมาณ 850 โทเคน…

สรุปสั้น

เวลาเผยแพร่
เวลาอัปเดต
แหล่งที่มา
公众号:蚂蚁百灵(Ling)
หมวดหมู่
บทแนะนำและเทคนิค
คะแนน AI
62
อ่านต้นฉบับ อ่านบทความฉบับเต็มที่แหล่งข่าวต้นฉบับ
เหตุผลที่แนะนำ

真正可复用的不是井字棋,而是把可复现错误、可验证反馈、本地训练和同环境复测串成的轻量后训练闭环,适合为本地小模型稳定工具调用和格式约束。

แหล่งที่มาและลิขสิทธิ์

บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม

ลิงก์ต้นฉบับ · รายการ AIHOT

วิธีอ้างอิง

เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News

Orange News: Ant Ling และทีม ASystem ปิดลูปการฝึกหลัง (post-training) Agentic RL บนเครื่องเดียว 14 สิงหาคม 2026 https://new.nat6.net/th/news/cmssf79uf05rwrod09r9ocb2w/

ดูทั้งหมด →